Planejamento de Experimentos II - Adilson dos Anjos 74

7 Análise de covariância (ANCOVA)

7.1 Introdução

Em alguns experimentos, pode ser muito difı́cil e até impossı́vel obter unidades
experimentais semelhantes. Por exemplo, pode-se não ter cobaias de mesmo peso,
motores com o mesmo tempo de funcionamento, corpos de prova com mesmo ta-
manho etc. Mas, em todos estes casos, quando a condição inicial da unidade ex-
perimental for conhecida e puder ser medida, e ainda, que seja conhecido que esta
condição inicial (uma variável) tenha influência sobre a variável resposta, pode-se
utilizar esta informação para corrigir a variável resposta. Tal, procedimento pode
ser feito utilizando-se da técnica de análise de covariância.

A variável medida na condição inicial da unidade experimental é chamada

de covariável (ou ainda, variável auxiliar, variável concomitante). Em um mesmo
experimento, pode haver mais de uma covariável.

A covariável complementa o controle local e na grande maioria das situações

simplesmente o substitui.

Obviamente, a covariável necessita estar correlacionada com a variável resposta

para que se possa fazer uso de tal análise.

Quando a Análise de Variância é realizada com uma ou mais covariáveis, usa-

se chamar a análise de ANCOVA2 . A ANCOVA permite que se faça um “ajuste”do
efeito de uma variável resposta que sofreu influência de uma variável ou uma causa
de variação não controlada.

A ANCOVA, permite, portanto, um controle do erro experimental, aumen-

tando a precisão do experimento. é possı́vel também fazer o ajuste das médias dos
tratamentos em função da(s) covariável(eis) e, em alguns casos, estimar observações
perdidas durante o experimento.

Para que uma covariável possa ser assim considerada, deve-se garantir que ela
não seja afetada pelo tratamento. Por exemplo: ao utiliza-se como covariável o
número de animais sobreviventes em uma gaiola, deve-se garantir que a causa da
morte ou da perda dos animais durante o experimento não seja causada pelo efeito
do tratamento. Neste caso, o uso da covariável é incorreto, pois será eliminado da
análise uma possı́vel fonte de variação conhecida: o próprio efeito do tratamento.
2
Analysis of covariance
Planejamento de Experimentos II - Adilson dos Anjos 75

Um situação bastante comum é quando existem animais de pesos diferentes e

a variável resposta de interesse é o peso final dos animais. Neste caso, antes do inı́cio
do experimento, o peso inicial dos animais é obtido e utilizado como covariável no
experimento.

Graficamente, a forma de correção da variável resposta através da ANCOVA

pode ser vista na figura 14.

Figura 14: Metodologia de ajuste da análise de covariância.

7.2 Modelo estatı́stico

Considere um experimento com um fator e uma covariável. O modelo estatı́stico

pode ser escrito da seguinte maneira:

yij = µ + αi + β(Xij − X̄) + �ij (23)

onde

µ = constante;
αi =efeito do i-ésimo tratamento;
Xij = valor observado da covariável;
X̄ = média da covariável;
β = coeficiente de regressão linear entre a covariável (X) e a variável resposta (Y),
com β �= 0. Neste caso, a relação deve ser linear.

Neste modelo, assume-se que a variável resposta e a covariável estão rela-

cionadas linearmente.
Planejamento de Experimentos II - Adilson dos Anjos 76

Análise de Variância

Tabela 59: Análise de covariância.

GL SQ e Prod. Cruzados Ajuste pela Regressão
CV GL xx xy yy y GL QM
Trat a-1 Txx Txy Tyy
(Exy )2 SQE
Erro a(n-1) Exx Exy Eyy SQE=Eyy − Exx a(n-1)-1 a(n−1)−1
(Sxy )2
Total an -1 Sxx Sxy Syy SQE’=Syy − Sxx an-2
SQE � −SQE
Trat. aj. SQE-SQE’ a-1 a−1

Onde

�
an
(y.. )2
Syy = yij −
ij
an

�
an
(x.. )2
Sxx = xij −
ij
an

�
an
(y.. )(x.. )
Sxy = xij yij −
ij
an

�
a
xi. (x.. )2
Txx = −
i
n an

�
a
(xi. )(yi. ) (x.. )(y.. )
Txy = −
i
n an

�
a
yi. (y.. )2
Tyy = −
i
n an

Eyy = Syy − Tyy

Exx = Sxx − Txx

Exy = Sxy − Txy

Planejamento de Experimentos II - Adilson dos Anjos 77

e
Exy
β̂ = (24)
Exx

O valor de F para tratamentos é obtido por:

SQE � −SQE
A−1
F = SQE
(25)
a(n−1)−1

E a hipótese H0 : β = 0 pode ser testada por

(Exy )2
Exx
F = (E )2
∼ Fα (1, a(n − 1) − 1) (26)
Eyy − Exy
xx
a(n−1)−1

O ajuste da variável observada Y , pode ser entendido como

yij − β(Xij − X̄) = µ + αi + �ij (27)

O ajuste de médias de tratamentos, pode ser feito da seguinte maneira

ȳi.� = ȳi. − β̂(x̄i. − x̄.. ) (28)

7.3 Exemplo:

Considere o seguinte conjunto de dados onde foi medido a resistência de fios

de algodão. A resposta avaliada foi o comprimento (cm) que o fio atingiu antes de
se romper. Como cada fio possui um diâmetro diferente, e isso afeta a resistência,
utilizou-se essa informação como covariável. Os dados estão na tabela 60. Três tipos
de máquinas foram comparadas neste experimento.

O primeiro passo da análise é verificar se existe relação linear entre a variável

e a covariável. Esta relação deve ser pelo menos aproximada.

O passo seguinte é calcular as somas de quadrados e produtos cruzados.

�
3 �
5
(y.. )2 (603)2
Syy = yij2 − an
= (362 + . . . + 322 ) − 3×5
= 346, 40
i=1 j=1
Planejamento de Experimentos II - Adilson dos Anjos 78

Tabela 60: Comprimento (Y) e diâmetro (X) de fios de algodão.

Máquina 1 Máquina 2 Máquina 3
Observação Y X Y X Y X
1 36 20 40 22 35 21
2 41 25 48 28 37 23
3 39 24 39 22 42 26
4 42 25 45 30 34 21
5 49 32 44 28 32 15
Total 207 126 216 130 180 106

�
3 �
5
(x.. )2 (362)2
Sxx = x2ij − an
= (202 + . . . + 152 ) − 3×5
= 261, 73
i=1 j=1

�
3 �
5
Sxy = (xij )(yij ) − (x..an
)(y.. )
= (20 × 36 + . . . + 15 × 32) − (362)(603)
3×5
= 282, 60
i=1 j=1

�
3
(yi. )2 (y.. )2 (2072 +2162 +1802 ) (603)2
Tyy = n
− an
= 5
− 15
= 140, 4
i=1

�
3
(xi. )2 (x.. )2 (1262 +1302 +1062 ) (362)2
Txx = n
− an
= 5
− 15
= 66, 13
i=1

�
3
(xi. )(yi. ) (x.. )(y.. ) (126×207+130×216+106×180) (362)(603)
Txy = n
− an
= 5
− 15
= 96
i=1

Eyy = 346, 4 − 140, 4 = 206, 0

Exx = 261, 73 − 66, 13 = 195, 6
Exy = 282, 6 − 96 = 186, 6
(282,6)2
SQE � = 346, 4 − 261,73
= 41, 27
(186,6)2
SQE = 206 − 195,6
= 27, 99

SQE � − SQE = 41, 27 − 27, 99 = 13, 28 que é a soma de quadrados de

tratamentos ajustada para a covariável.

O Coeficiente de regressão β̂ pode ser obtido por

Exy 186, 6
β̂ = = = 0, 954
Exx 195, 6

Pode-se testar a hipótese H0 : β = 0 por

(186, 6)2 /195, 6

Fβ = = 70, 08
2, 54